基于多头注意力自编码Transformer的WO3光阳极掺杂剂选择模型及其在光电化学水分解中的应用

针对WO3光阳极在光电化学水分解(PEC)中效率低、电荷复合率高的问题，研究人员创新性地开发了多头注意力自编码Transformer模型(MAT)，通过分析25种金属掺杂剂的11种本征特征，实现了光电流密度预测(R2=0.94)，并利用SHAP分析揭示了电负性、电子亲和能等关键影响因素，为高性能PEC系统设计提供了可解释的AI解决方案。

　　

随着全球能源危机加剧，绿色氢能制备技术成为研究热点。光电化学水分解(PEC)因其直接利用太阳能将水转化为氢气的潜力备受关注，但核心材料钨氧化物(WO₃)光阳极存在电荷迁移率低、复合率高等固有缺陷。传统掺杂剂筛选依赖试错法或计算成本高昂的密度泛函理论(DFT)，难以系统评估材料性能。针对这一瓶颈，国内研究人员在《International Journal of Hydrogen Energy》发表研究，提出基于多头注意力自编码Transformer(MAT)的智能筛选模型。

研究团队采用机器学习与可解释人工智能(XAI)相结合的策略，构建包含25种金属掺杂剂、11类本征特征的数据集，通过MAT模型的特征编码能力和注意力机制解析关键参数。技术方法上，重点运用了：1) 多头注意力架构提取特征间非线性关系；2) SHAP值量化特征贡献度；3) 光电流密度预测作为性能评估指标。

【数据描述和特征选择】
研究选取原子半径、电负性、MO键形成焓等11维特征，通过皮尔逊相关性分析发现FE-M（金属-氧键形成焓）与光电流密度呈强相关(r=0.82)，为模型构建奠定基础。

【数据分析和统计】
注意力权重可视化显示，电负性(权重0.32)和电子亲和能(权重0.28)主导掺杂效应，与SHAP分析中二者合计贡献度达61%的结果相互印证，揭示电子结构调控是提升PEC性能的关键路径。

【局限性】
尽管MAT模型对25种掺杂剂的预测精度超越传统DNN模型20%，但研究者指出数据集规模限制了对稀土元素的适用性，且未考虑掺杂浓度梯度的影响。

【结论】
该研究首次将可解释Transformer应用于PEC材料设计，证明Fe、Co等过渡金属掺杂可通过降低WO₃电荷转移阻抗(降低38%)提升性能。MAT模型不仅将筛选周期从传统方法的数月缩短至小时级，其注意力机制更为新型光阳极开发提供了"特征-性能"映射范式，可扩展至其他能源转换材料体系。这项工作为人工智能驱动的新材料发现提供了兼具预测精度与物理可解释性的解决方案。